r - MetaPhone Functions(如 SoundEx)功能并在 R 中使用？

Question

我想使用 MetaPhone , Double Metaphone , Caverphone ，MetaPhone3，SoundEx，如果有人做过NameX 'R' 中的函数，因此我可以对类似的值进行分类和总结，以在分析之前最大限度地减少数据清理操作。

我完全意识到每种算法都有自己的优点和缺点，并且会高度 不喜欢使用 SoundEx 但如果我找不到替代品，它仍然可以工作；就像 mentioned in this post Harper 将与 SoundEx 下的任何不相关名称列表匹配，但不应在 Metaphone 中匹配以获得更好的结果匹配。

虽然我不确定哪个最能满足我的目的，同时仍然保持一定的灵 active ，所以这就是我想对其中几个进行尝试的原因，并且在查看值之前生成如下表。



Table Source Link

姓氏不是我最初分析的主题，但我认为这是一个很好的例子，因为我想有效地考虑所有像“听起来”的词被视为相同的值，这实际上是我想要做的，在评估值时简单地调用某事.

我已经看过一些东西:

我知道可以用 RCpp 编写和调用 C 包，甚至还有SoundEx on SE 的C 解决方案，但我之前没有编写过 R 包，如果有更简单的方法可以直接在 R 中执行，或者存在具有可用功能的包，我是否希望避免重新发明轮子？

我知道 RecordLinkage现在 stringdist包有一个 SoundEx 功能，但没有任何形式的 MetaPhone 功能。

So I am specifically looking for an answer is to how do a MetaPhone / Caverphone function in R and know the "Value" so I can group data values by them?

额外的警告是我仍然认为我对 R 很陌生，因为我不是它的日常用户。

Answer 1

该算法非常简单，但我也找不到现有的 R 包。如果你真的需要在 R 中完成这项工作，一个短期的选择是安装 python 模块 metaphone ( pip install metaphone ) 然后使用 rPython在 R 中使用它的桥:

library(rPython)

python.exec("from metaphone import doublemetaphone")
python.call("doublemetaphone", "architect")
[1] "ARKTKT" ""

这不是最优雅的解决方案，但它可以让你在 R 中进行变音操作。

Apache Commons 有一个 codec library它还实现了变音位算法:

library(rJava)

.jinit() # need to have commons-codec-1.10.jar in your CLASSPATH

mp <- .jnew("org.apache.commons.codec.language.Metaphone")
.jcall(mp,"S","metaphone", "architect")
[1] "ARXT"

您可以使以上 .jcall一个 R 函数并像使用任何其他 R 函数一样使用它:

metaphone <- function(x) {
  .jcall(mp,"S","metaphone", x)  
}

sapply(c("abridgement", "stupendous"), metaphone)

## abridgement  stupendous 
##      "ABRJ"      "STPN"

java 接口(interface)也可能跨平台更兼容。

下面是使用 java 接口(interface)的更完整的 View :

library(rJava)

.jinit()

mp <- .jnew("org.apache.commons.codec.language.Metaphone")
dmp <- .jnew("org.apache.commons.codec.language.DoubleMetaphone")

metaphone <- function(x) {
  .jcall(mp,"S","metaphone", x)  
}

double_metaphone <- function(x) {
  .jcall(dmp,"S","doubleMetaphone", x)  
}

words <- c('Catherine', 'Katherine', 'Katarina', 'Johnathan', 
           'Jonathan', 'John', 'Teresa', 'Theresa', 'Smith', 
           'Smyth', 'Jessica', 'Joshua')

data.frame(metaphone=sapply(words, metaphone),
           double=sapply(words, double_metaphone))

##           metaphone double
## Catherine      K0RN   K0RN
## Katherine      K0RN   K0RN
## Katarina       KTRN   KTRN
## Johnathan      JN0N   JN0N
## Jonathan       JN0N   JN0N
## John             JN     JN
## Teresa          TRS    TRS
## Theresa         0RS    0RS
## Smith           SM0    SM0
## Smyth           SM0    SM0
## Jessica         JSK    JSK
## Joshua           JX     JX